NVIDIA leva o sistema de computação de IA mais rápido do mundo para um dos melhores laboratórios de inteligência artificial

Esse ano o Diretor Executivo da NVIDIA, Jen-Hsun Huang, entregou nosso supercomputador de IA NVIDIA DGX-1 para o laboratório de pesquisa em IA de Berkeley (BAIR), na Universidade da Califórnia.As mais de duas dúzias de professores e mais de 100 alunos de pós-graduação da BAIR estão na vanguarda de um profundo aprendizado multimodal, de IA compatível com humanos, e conexão de IA a outras disciplinas científicas e humanas.

“Estou contente em entregar um dos primeiros supercomputadores de IA para vocês”, disse Jen-Hsun a um grupo de pesquisadores da BAIR comemorando a chegada de seu DGX-1.

A necessidade de velocidade da IA

A equipe da BAIR vem trabalhando em um fascinante conjunto de desafios de IA em uma ampla variedade de campos – e estão ansiosos para realizar experimentos com o máximo de abordagens possível.

Para isso eles precisam de velocidade, explica Pieter Abbeel, professor adjunto do Departamento de Engenharia Elétrica de Ciências da Computação da Berkeley, na Califórnia.

“Maior poder computacional se traduz diretamente em mais ideias sendo investigadas, testadas e ajustadas para colocá-las de fato para trabalhar”, diz Abbeel. “Então, atualmente, um experimento pode normalmente levar até alguns dias para ser processado. Portanto, se pudermos obter algo como uma aceleração até 10 vezes superior, isso reduziria esses tempos significativamente – e então poderíamos tentar imediatamente o próximo experimento.”

Condução autônoma

Essa velocidade — e a capacidade de gerenciar grandes quantidades de dados — é a chave para novos avanços na aprendizagem profunda, que por sua vez é fundamental para ajudar computadores a navegar em ambientes produzidos pelas pessoas diariamente, como as vias públicas, explica John Canny, o Distinto Professor da Paul and Stacy Jacobs de Engenharia do Departamento de Engenharia Elétrica e Ciências da Computação da Universidade de Berkeley, na Califórnia.

“Na condução, os motoristas tendem a melhorar ao longo de muitos anos e décadas devido à experiência obtida”, conta Canny. “Em aprendizagem mecânica, a aprendizagem profunda não gerencia de fato conjuntos de dados de tal tamanho – portanto nosso interesse está em coletar, processar e alavancar tais conjuntos de dados muito grandes.”

Carros que possam aprender não apenas a partir de suas próprias experiências — mas das experiências de milhões de outros veículos — prometem melhorar drasticamente a segurança, explica Trevor Darnell, professor do Departamento de Engenharia Elétrica e Ciências da Computação da Universidade de Berkeley, Califórnia.

“Mas isso é apenas a ponta do iceberg”, afirma Darnell. “Haverá também revoluções no transporte e logística, o processo de movimentar coisas – caso você queira mover uma pequena carga daqui para ali. Se pudéssemos ter veículos autônomos de todos os portes transportando nossas mercadorias e serviços pelo mundo, não podemos sequer especular o nível de produtividade que nos seria gerado.”

Robótica no dia-a-dia

Dar às máquinas a capacidade de aprender a partir de suas experiências é também crucial para ajudar robôs a se locomoverem do chão de fábrica para ambientes menos previsíveis, como nossas casas, escritórios e hospitais, afirma Abbeel.

“Será importante que esses robôs possam se adaptar a novas situações que nunca viram antes”, diz Abbeel. “O grande desafio aqui é como desenvolver uma inteligência artificial que permita que esses robôs compreendam situações que nunca viram antes e ainda assim façam a coisa certa”.

Enquanto a aprendizagem profunda já é parte de serviços de web comumente usados que ajudam máquinas a classificar informações — como reconhecimento de imagem e voz — Abbeel e seus colegas exploram formas de ajudar as máquinas a tomarem decisões por conta própria.

Denominada “aprendizagem de reforço”, essa nova abordagem promete ajudar as máquinas a entenderem e navegarem ambientes complexos, explica Abbeel.

Desenvolver máquinas que possam não apenas aprender a partir de seu ambiente, mas também julgar os riscos assumidos, é crucial para o desenvolvimento de robôs mais inteligentes, explicou Sergey Levine, professor assistente do Departamento de Engenharia Elétrica e Ciências da Computação da Universidade de Berkeley, Califórnia.

Robôs voadores, por exemplo, não apenas têm que se adaptar a ambientes em rápidas transformações, mas precisam estar cientes dos riscos que correm enquanto voam. “Utilizamos a aprendizagem profunda para desenvolver profundas políticas de rede neural para voos que estão cientes de sua própria incerteza, para que não tomem medidas para as quais não entendem de fato o resultado”, afirmou Levine.

Alimentando a revolução da IA

Novas abordagens como essa prometem ajudar pesquisadores a desenvolverem máquinas que, em última instância, são mais úteis. A velocidade dos GPUs e software integrado do DGX-1 – e as conexões entre eles – ajudarão a BAIR a explorar essas novas ideias mais rápido do que nunca.

“Há um pouco de conexão linear entre a quantidade de poder computacional e quantos experimentos podem ser executados”, afirma Darnell. “E a quantidade de experimentos que alguém pode realizar determina quanto conhecimento você pode adquirir ou descobrir”.

Histórias semelhantes